每天进步一点点(硬件技术)02

从上一文说到,设计原理图,我们需要想到哪些元器件呢?如何画呢?
首先哈,我们需要先了解了解元器件的属性。

  • 整流桥:整流电路,是把交流电能转换为直流电能的电路
  • 滤波电容:是指安装在整流电路两端用以降低交流脉动波纹系数提升高效平滑直流输出的一种储能器件
  • 变压器:利用电磁感应的原理来改变交流电压的装置,主要构件是初级线圈、次级线圈和铁芯(磁芯)。主要功能有:电压变换、电流变换、阻抗变换、隔离、稳压(磁饱和变压器)等
    了解百度完了这些,我们这时候就需要使用软件画这些原理图(PADS、AD、Proter99)
    以下的图片是画好的原理图,
    原理图
    首先,我们把这原理图分为几个部分,首先是电源。一个交流AC16V电,经过整流桥进行交流转直流,则成为23V左右的直流电。【(AC)16*√2≈≈23(DC)】
    其次经过滤波电容进行滤波,将直流电更加稳定,并联一个电容作为负载的储能电容。
    之后为变压器LM7805将24V压降为5V继续滤波。
    之后为一个开关电路与电阻LED串联,大致就可以了。
    还没结束,接下来还有元器件的选型,之前说到,我们需要根据元器件的属性、功率、温度等判断我们是否可以使用它。
  • 电阻:我们先根据原理图来看。先看LED灯。首先,LED的电压为3.3V,电流我们设置大一些10mA。则电阻R1的电压为(5-3.3)1.7V,电流10mA。则根据欧姆定律可以算出电阻为170R,功率P=0.017W。则我们在电阻上选择。根据封装0805的电阻功率P=0.125》0.017可以选用封装为0805的电阻。
  • 滤波电容:根据电源滤波输出纹波系数这个公式来计算滤波电容(我也算不清楚~~~~)
    贴片电容(PF精度高)多用于滤波电路,震荡电路。
    一般电路小于100mA时电容220uF/300uF都可以(主要看你的库存)
    承受电压一般为1.5倍或2倍可以(主要看库存)
  • 变压器DC—>DC:5V、3.3V、12V、15V等。根据功率PR=U2/R=0.017W,可以选择LM7805。
    LM7805最大电流为1A。功率为(0-2W,最好1W以内)
    计算:压降:24-5=19V 电流I=10mA P(LM7805)=UI=0.19W 当1W的功率可以承受的压降为100V
    则可以使用LM7805的变压器。
  • 变压器AC–>AD:220V–>16V
  • 整流桥:交流转直流。整流桥由4个二极管组成。二极管的最大反向电压:24*2.8=67V左右(大约2.8倍)
    整流桥有KBJ40X系列和KBJ4005
    KBJ40X承受电流4A和X00V的电压,KBJ4005承受电流4A和50V电压。从反向电压看,我们可以直接选择KBJ401,反向电压为100V即可。

下一部分为成本的估算

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值